基于时序随机漫步的 Transformer 动态网络嵌入用于自闭谱系综合征 (ASD) 脑连接图分类
机器学习
2025-03-18 v1 神经元与认知
摘要
自闭谱系综合征 (ASD) 是一种复杂的神经发育疾病，尤其在沟通和社交互动方面表现为多样性发育障碍。准确且早期诊断 ASD 对有效干预至关重要，而丰富的脑活动表征有助于提升诊断效果。脑功能连接图指通过神经影像学测量的不同脑区之间的统计关系，为理解脑功能提供了关键见解。传统的静态方法往往难以捕捉脑活动的动态特性，而动态脑连接图分析则通过捕捉脑活动随时间的变化，提供了更为全面的视角。我们提出了 BrainTWT，这是一种新颖的动态网络嵌入方法，能够捕捉脑连接随时间的演变，并考虑不同时间网络快照之间的动态。BrainTWT 采用时序随机漫步捕获不同时间网络快照之间的动态，并利用 Transformer 建模序列数据中长期依赖能力，从而通过时序结构预测任务学习判别性嵌入。实验评估采用 Autism Brain Imaging Data Exchange (ABIDE) 数据集，结果表明 BrainTWT 在 ASD 分类任务中优于基线方法。
引用
@article{arxiv.2503.12366,
title = {ASD Classification on Dynamic Brain Connectome using Temporal Random Walk with Transformer-based Dynamic Network Embedding},
author = {Suchanuch Piriyasatit and Chaohao Yuan and Ercan Engin Kuruoglu},
journal= {arXiv preprint arXiv:2503.12366},
year = {2025}
}